我们介绍了同时处理来自 LIGO 探测器和 Virgo 探测器数据的时空图模型。我们使用 240 万个描述准圆形、旋转、无进动的二进制黑洞合并物的 IMRPhenomXPHM 波形进行了这些 AI 分类器的训练，并在联合体中使用了 3 个 AI 分类器和 2 个预测器来处理了一个为期一年的测试集。这些研究表明，我们的 AI 联合体提供了最先进的信号检测准确性，并报告每年搜索数据的 2 个错误分类。这是第一个用于搜索和发现高阶引力波模式信号的 AI 联合体。

Sep, 2023

使用人工智能模型实现了天文学中引力波检测的加速化，经过针对性的优化处理，在 ThetaGPU 超级计算机上实现了分布式推理，相比传统的人工智能模型提高了 3 倍速度，同时在处理 5 年数据的实验中，每个月只有平均 1 次错误分类，具有实际应用价值。

Jan, 2022

本文介绍了 Deep Filtering，一种新的高度可扩展的方法，用于端到端时序信号处理，并展示其在检测和参数估计引力波方面的应用，取得了比传统机器学习技术更好的性能，同时速度快得多，使得实时处理原始大数据变得更容易。

Dec, 2016

近期，机器学习算法用于解决重力波探测器数据中的信号搜索问题，本研究描述了 TPI FSU Jena 团队的参赛作品及其改进版，并将算法应用于真实的 O3b 数据以检测 GWTC-3 目录中的相关事件。

Feb, 2024

利用卷积神经网络的深度学习技术，实现了对引力波信号的快速检测和特征提取，并在真实数据的基础上证明了机器学习可以检测和估计 LIGO 探测到的真实事件的真实参数，实现了对引力波和其多信使计数器的同时检测。

Nov, 2017

该论文介绍了一种名为 Deep Filtering 的新方法，使用深度卷积神经网络可以在实时监测中检测和表征引力波信号，这是一种比传统的 Matched Filtering 方法更为高效的方法，通过对 LIGO 数据的实时处理，可以实现对弱时间序列信号的检测，并且可以探测新型引力波源。

Nov, 2017

本文提出了两种新的机器学习和深度学习集成方法（即 ShallowWaves 和 DeepWaves 集成），用于检测引力波观测所得数据集中的不同类型的噪声和模式。我们的研究还探讨了多类别分类的各种机器学习和深度学习技术，并提供了一个综合基准，重点关注三个常用性能指标（准确率、精确率和召回率）方面的最佳结果。我们在由先进激光干涉型引力波观测台（LIGO）收集的现实世界数据的标注时间序列数据集上训练和测试我们的模型。我们以经验为基础证明了提出的 DeepWaves 集成的最佳整体准确性，并紧随其后的是 ShallowWaves 集成。

Nov, 2023

本文提出了一种适用于所有空间引力波信号的高精度 GW 信号检测和提取方法，使用多阶段深度神经网络可以在高斯噪声中检测到具有超过 99％的准确性的合成信号。此方法在多种场景下有很强的解释性和泛化能力。

Jul, 2022

通过引入解释性机器学习技术，研究黑洞合并事件的监测与探测，使用先进 LIGO 数据对机器学习模型进行可视化分析，从而研究其局部和全局特征并发现分支结构对噪音特性的影响。该研究为解释性机器学习模型的设计提供了新思路。

Feb, 2022

利用深度神经网络进行全天文搜寻频率范围为 20 Hz 到 1000 Hz 的连续重力波信号，结果显示相对于完全匹配滤波搜寻，神经网络在容易的情况下性能可以与之匹敌，在困难的情况下性能下降，通过测试不同的信号频率和强度，发现该方法具有良好的泛化能力，可以用于搜寻全部的频率范围。

Apr, 2019